在学习人工智能的时候，毕业证上面写着专业的名字，并不意味着手里就已经有了一份工作了。
招聘岗位最为关心的，就是你能不能处理好数据，将模型运行起来，将问题呈现出来。
很多人认为人工智能的工程师就是在训练模型，进入工作之后才发觉，工作往往是从一张张图的标注开始的。
人工智能的应用工程师使用标定的工具，分类图片等数据并标注标签。
标注并非是机械地点那么几下鼠标，如果边界不清楚，类别混乱，漏标错标，这些都会对后面训练的效果产生影响。
工程师还需要反复检查以及调整标注的结果，把目光聚焦在质量这一方面，不能让问题一直传递到模型端去。
项目的推进也是离不开进度的管理的。哪一批数据已经完成了，那一批就需要返工了，都得记录清楚并且按时交付。
做得更加深入一些，也要针对标注的标准和平台给出改进的意见，使得重复发生的问题少一些。
这样的岗位对于刚刚接触到人工智能工作的人来说是比较直观的，但是却并不是人类就业的全部内容。
机器学习的工程师负责研究和实施机器的学习算法，将算法应用于金融，医疗，零售，制造等实际的场景。
这份工作并不仅仅是要调用工具，而是要理解机器的学习算法，要知道数据是否适合训练，以及模型为什么会有偏差。
自然语言的处理工程师负责处理文字、语音以及对话，机器的翻译，语音的识别，对话系统都是这一方向的。
有的人面临的是一批文章，有些人处理的则是一些语音数据，关键还是让计算机去理解和处理人类的语言。
人工智能的运维工程师工作更加贴近于产品的落地。负责大数据以及智能产品运营、运维以及相关研发工作。
他们还需要开发运维的工具系统，保证相关的组件的质量以及稳定性，利用技术手段和流程制度来提高系统的健壮程度和可用程度。
当客户采用云端的大数据以及人工智能的产品的时候，运维人员还需要提供技术方面的支持。
岗位的名称听上去都很专业，但是真正拉开距离的却是手中的能力。
仅仅会背概念，一般只能停留学习阶段；可以完成数据的标注、质量的调整、算法的应用或者系统的维护，才更加接近岗位的要求。
证书可以当作学习成果以及求职材料的其中一部分，但是它不能够代替项目的能力，也不可以代替对于工具、数据以及流程的了解。
想要走机器学习的路线，就把算法的基础和实际的应用练好；想要做自然语言的处理，就在文本、语音以及对话系统上面积累能力。
如果更喜欢规范、检查以及平台管理的话，人工智能的应用或者运维岗位也会有清晰的工作要求。
不要仅仅只盯着人工智能这四个字去幻想高薪，得先看自己能不能把一项具体的任务做好、做准、交出去。
方向选择得再好，手中没有能够展示出来的成果，职位也不会因专业名称而自动找上门来。
